深度学习中的CIoU损失函数：解决目标检测中边界框回归的痛点

1次阅读

共计 2049 个字符，预计需要花费 6 分钟才能阅读完成。

在目标检测任务中，边界框回归的准确性直接影响检测性能。传统的 IoU（Intersection over Union）损失函数存在两个主要问题：

当两个边界框没有重叠时，IoU 值为 0，导致梯度消失，无法提供有效的回归方向。
IoU 只考虑了重叠区域，对边界框的中心点对齐和宽高比变化不敏感。

GIoU（Generalized IoU）虽然解决了无重叠时的梯度消失问题，但对中心点对齐的优化仍然不足。下图展示了几种常见的边界框回归失败案例：

中心点偏移但 IoU 相同
宽高比差异大但 IoU 相同
无重叠时梯度消失

损失函数	公式	特点
IoU	$1 – \frac{	A \cap B
GIoU	$1 – IoU + \frac{	C – A \cup B
DIoU	$1 – IoU + \frac{\rho^2(b,b^{gt})}{c^2}$	加入中心点距离惩罚
CIoU	$1 – IoU + \frac{\rho^2(b,b^{gt})}{c^2} + \alpha v$	增加宽高比一致性惩罚

CIoU 的核心改进是宽高比惩罚项 $v$，其计算逻辑为：
$$ v = \frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2 $$

以下是 PyTorch 实现的 CIoU 损失函数代码：

import torch
import math

def bbox_ciou(box1, box2):
    """
    计算两个边界框之间的 CIoU 损失
    box1, box2: [x,y,w,h]格式
    """
    # 转换为中心坐标 + 宽高格式
    b1_x1, b1_y1 = box1[..., 0] - box1[..., 2]/2, box1[..., 1] - box1[..., 3]/2
    b1_x2, b1_y2 = box1[..., 0] + box1[..., 2]/2, box1[..., 1] + box1[..., 3]/2
    b2_x1, b2_y1 = box2[..., 0] - box2[..., 2]/2, box2[..., 1] - box2[..., 3]/2
    b2_x2, b2_y2 = box2[..., 0] + box2[..., 2]/2, box2[..., 1] + box2[..., 3]/2

    # 计算 IoU
    inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \
            (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)
    union = (b1_x2 - b1_x1) * (b1_y2 - b1_y1) + \
            (b2_x2 - b2_x1) * (b2_y2 - b2_y1) - inter + 1e-16
    iou = inter / union

    # 计算中心点距离(归一化处理)
    cw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1)
    ch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1)
    c2 = cw**2 + ch**2 + 1e-16  # 对角线距离平方
    rho2 = ((box1[..., 0] - box2[..., 0])**2 + \
            (box1[..., 1] - box2[..., 1])**2)  # 中心点距离平方

    # 宽高比一致性惩罚
    v = (4 / math.pi**2) * torch.pow(torch.atan(box2[..., 2]/box2[..., 3]) - \
        torch.atan(box1[..., 2]/box1[..., 3]), 2)

    # 参数 alpha 动态调整
    alpha = v / (1 - iou + v + 1e-16)

    # CIoU 计算公式
    ciou = iou - (rho2 / c2 + alpha * v)

    # 梯度稳定性处理
    with torch.no_grad():
        # 计算梯度修正因子
        grad_scale = 2 * (1 - iou) / (union + 1e-16)

    return 1 - ciou, grad_scale

在 COCO 数据集上的测试结果：